An improved bidirectional generative adversarial networks based approach for anomaly detection

Anomali tespiti, anomalilerin yetersiz sayıda bulunması ve etiketlenmemiş olması nedeniyle zorlu bir problem olarak kabul edilir. Anomali tespiti problemi için çok sayıda makine öğrenme yöntemi uygulanabilir. Denetimli anomali tespiti yöntemleri gibi geleneksel makine öğrenme algoritmaları, etiketli veri kümeleri gerektirir ve dengeli veri kümelerinde makul başarılar elde edebilir. Ancak, çoğunlukla sınıf dengesizliği probleminden muzdariptirler. Denetimsiz anomali tespit yöntemleri ise verilerin daha önemli kısımlarının normal olduğunu ve anormallik olarak en az uyuşan durumları etiketlemeye meyillidirler. Yarı denetimli yöntemler, normal verilerden standart veri dağılımını temsil eden yapılar oluşturur. Bu problemin üstesinden gelmek için, literatürde denetimli, denetimsiz, yarı denetimli öğrenme gibi farklı makine öğrenme yaklaşımlarının kombinasyonu önerilmektedir. Yapay sinir ağlarının ve üretken modellerin ortaya çıkmasıyla, sinir ağlarından türetilen farklı metodolojiler anomali tespit görevlerine uygulanmaktadır. Bu çalışmada, KDDCUP99 ve Kredi Kartı Dolandırıcılık Tespiti veri kümelerine, bir anomali tespit problemi olarak yaklaşılmış ve Çift Yönlü Çekişmeli Ağlar tek sınıf bir anomali tespit algoritması olarak değerlendirilerek bu veri setlerine uygulanmıştır. Üretici ağ ve ayırt edici ağ eğitim aşamasında birbirine oldukça bağımlı olduğundan, bu bağımlılığı azaltmak için, bu çalışmada, Çift Yönlü Çekişmeli Ağlar'ın eğitim aşamasına ekstra adımları ekleyerek üç farklı eğitim yaklaşımı önerilmiştir. Ayrıca önerilen yaklaşımların anomali saptama görevinde Çift Yönlü Çekişmeli Ağlar'ın performansını artırdığını gözlemlenmiştir.